开放模型与开源 AI 必读文章清单
列表最后更新：2026 年 9 月 11 日
这是我整理的近年来关于开放模型的最佳读物清单。如果有人想快速掌握该领域的现状，阅读这些内容将提供全面概览。欢迎在评论区推荐值得加入的文章，我会适时更新这份列表。
基础概念
探讨开放模型的定义、发布动机、商业战略关联以及潜在风险。
关于开放源代码 AI 战略，梳理了企业如何利用开源软件，并指出这对 AI 领域的早期信号——From Open Source Software to Open Source Strategy，Bill Gurley（2026 年 5 月）。
最清晰的阐述之一是 Mark Zuckerberg 在 Llama 3 发布期间关于 Meta 为何发布开放模型的评论——Open Source AI is the Path Forward，Mark Zuckerberg（2024 年 7 月）
为何应基于许可协议、模型运行成本、数据访问等因素，将开放模型视为一个谱系而非“开放/封闭”的二元对立——The Gradient of Generative AI Release: Methods and Considerations，Irene Solaiman（2023 年 2 月）。
开放模型在 future 经济中将作为强封闭模型的补充所扮演的角色。探讨全球企业如何利用开放模型构建定制化的 agentic workflows——What comes next with open models，Nathan Lambert / Interconnects（2026 年 3 月）
关于开放模型如何通过为现有经济的大部分领域提供互补工具来获取价值的观点，结合 IP 历史及当前关于开放与封闭模型（如蒸馏技术）的辩论——Some Simple Economics of Open versus Closed AI，Christian Catalini（2026 年 8 月）
为什么开放模型在性能上会始终落后于闭源模型 —— Open models in perpetual catch-up，Nathan Lambert / Interconnects（2026 年 2 月）
开放模型与闭源模型在采用率上的差异 —— Open and closed models are on different exponentials，Nathan Lambert / Interconnects（2026 年 6 月）
如何在发布强大开放权重模型的同时认真对待安全问题的清晰论述 —— A Safe Path to Open Weights，Thinking Machines Lab（2026 年 7 月）
一篇关于边际风险的早期论文，指出以文本为主的 LLM 对已记录的潜在模型风险的增加非常有限 —— On the Societal Impact of Open Foundation Models，Sayash Kapoor、Rishi Bommasani 等（2024 年 2 月）
闭源模型的安全防护屡屡被绕过，在开放权重模型的假设性风险尚未出现之前，就造成了大量真实的 AI 风险 —— The Myth of unsafe Open Source AI，Florian Brand（2026 年 6 月）
开放数据的大幅萎缩，这是阻碍真正开放的 AI 研究的关键因素 —— Consent in Crisis: The Rapid Decline of the AI Data Commons，Shayne Longpre 等（2024 年 7 月）
中国强大模型如何影响 AI 生态的最新案例 —— Kimi K3: The open-weights escalation，Nathan Lambert / Interconnects（2026 年 7 月）以及 GLM-5.2 is the step change for open agents，Nathan Lambert / Interconnects（2026 年 6 月）
2025 年开放模型发展历程的总结：Nathan Lambert on China's AI Ecosystem and the Open Model Gap | The Curve 2025，Golden Gate Institute for AI（2025 年 11 月）
[选读] 开放模型采用情况的最新数据：
美国与中国模型采用情况的综合概览——ATOM 报告（2026 年 4 月），
各地区模型下载、衍生版本及研究采用的最新数据——Interconnects 采用度仪表盘，以及
该生态系统中值得关注的关键模型——Interconnects 资产库
中美竞争
谁在开放模型领域领先，这种格局如何随时间演变，中国如何维持其领先地位，以及相关历史背景。
面对日益激烈的中国竞争，为何美国需投资开放模型以推动基础研发和创新——ATOM 项目，Nathan Lambert（2025 年 8 月）
从开放模型如何促进研究创新及 AI 积极成果的角度进行剖析——为何构建开放语言模型，Nathan Lambert / Interconnects（2024 年 10 月）
开放模型如何促进教育、创新与竞争，这三项核心美国价值观——禁止开源 AI 将是一个错误，Nathan Lambert & Kevin Xu（2026 年 6 月）
为何近期模糊的联邦监管机制将导致前沿开放模型在未来不久遭遇冲突甚至禁令——开放模型的六个月生存期，Nathan Lambert / Interconnects（2026 年 7 月）
[可选] 全开放语言模型技术报告，展示当前领域的理解水平：Pythia（EleutherAI, 2023）、Olmo（2024）、Olmo 2（2024）、Olmo 3（2025）
通往 AI 时代的中国开源历史——中国开源：权威历史，Kevin Xu（2026 年 3 月）。
中国在开源领域的结构性优势——中国开源AI的结构性优势，Kevin Xu（2025年6月）。
中国实验室如何讨论模型构建，以及中国AI产业与美国有何不同——中国AI实验室内部笔记，Nathan Lambert / Interconnects（2026年5月）。
中国实验室为何能紧追美国竞争对手（例如，在公平的性能对比中，美国开源模型实验室难以与中国实验室抗衡）——GLM-5.3：中国实验室如何与前沿技术保持同步，Nathan Lambert / Interconnects（2026年8月）。
其他一些西方公司也公开把所用的模型从美国闭源实验室转向中国的开源模型以节省成本。典型例子包括 Perplexity 高调快速采用 DeepSeek R1（Forbes，2025 年 1 月 28 日），以及 Thomson Reuters 基于 Qwen 搭建模型、减少对 Claude 的依赖（Business Insider，2026 年 8 月 24 日）
技术细节
什么是蒸馏？它给中国实验室带来了多大帮助？开源模型会如何影响网络安全等前沿 AI 风险？开源模型与闭源前沿模型的差距又有多大？
近年来开源与闭源模型的差距不断缩小，目前大约为 4-6 个月。自 2024 年前后起，领先的开源模型全部来自中国实验室。
SemiAnalysis 的文章进行了独立评估，结论是开源模型的性能一直在逐步逼近闭源前沿——Are Open Models Catching Up?，SemiAnalysis（2026 年 8 月）
来自 Epoch AI 和 Artificial Analysis 的数据来源（以及相关的美中对比），展示了开源与闭源差距随时间的变化。
一项结合公开与私下评测、对开源与闭源差距的独立分析——How far behind are open models?，Håvard Tveit Ihle（2026 年 5 月）
例如 2025 年，Z.ai 的产品负责人在谈到发布时间时说：“要快速推出，几个小时内就开源。”——The Z.ai Playbook，ChinaTalk（2025 年 11 月 21 日）
网络安全、风险与开源模型（待补充）
为何我们无法有效禁止恶意行为者将开源模型用于网络攻击能力（他们总能获取访问权限）——《OpenAI/Huggingface 事件；如何应对即将出现的廉价自主黑客》，Joshua Saxe（2026 年 7 月）
政府应如何应对新兴网络威胁，采取“观察、定向、决策、行动”的策略（而非仅基于内部能力评估来封锁模型）——《我们急需一套连贯的国家 AI 网络安全政策》，Joshua Saxe（2026 年 8 月）
为何无法期望在特定阈值（如开放权重模型）上管控 AI 访问，而需让社会做好准备以应对可用智能带来的下游风险——《扩散控制并非应对 AI 滥用的正确方法》，Helen Toner（2025 年 4 月）
蒸馏（即利用另一个模型的输出 Token 进行训练）是 2026 年围绕开源模型最激烈的辩论焦点。
欲了解合成数据与蒸馏的基础背景，参见 2026 年发布的后训练教科书《基于人类反馈的强化学习》中关于此主题的一章
蒸馏如何助力中国实验室，且并未削弱其创新能力——《蒸馏对中国 LLM 究竟有多重要？》，Nathan Lambert / Interconnects（2026 年 2 月）
近期一篇论文表明，前沿实验室在其 API 中的实现存在漏洞，导致可通过巧妙手段系统性提取推理轨迹（现代训练的关键部分）。关于该蒸馏论文及我的评述——《从专有 LLM API 窃取推理轨迹》，Panfilov, Schmotz, Shumailov 等，2026 年（更多讨论见 X）。Anthropic 已证实中国实验室使用了此技术。
为何围绕模型蒸馏的政治恐慌站不住脚——声称蒸馏是中国模型逼近前沿的唯一原因，缺乏证据支持。 —— 蒸馏恐慌，Nathan Lambert / Interconnects（2026年5月）
在智能体行为规模化强化学习环境的时代，实验室如何利用蒸馏提升模型性能 —— 如今蒸馏的用法及其对开源模型的性能提升，Nathan Lambert（2026年7月）
[可选] 更多历史背景：2024年，我撰写了合成数据的前沿，指出当时的主流蒸馏形式是通过 SFT 使用更强模型的输出数据来训练模型（即“蒸馏”），而基于 logits 的知识蒸馏则属于前沿实验室的演进方向，最早在 Gemini 中得到确认并延续至今。2025年初，关于 DeepSeek-R1 是否蒸馏自 OpenAI 的 o1 模型曾引发大量讨论。目前没有明确证据表明DeepSeek确实进行了蒸馏，但我曾在2025年4月确信地撰文认为 DeepSeek 并未蒸馏。回顾 R1 时期，DeepSeek 基于上述推理轨迹提取方法，极有可能确实蒸馏了部分 o1 的推理轨迹，以辅助训练 R1 模型——这一点比我当时的评估更为现实。这并不抹杀其创新价值，但务实地承认这一点很重要，因为蒸馏确实可能是中国缩小与美国实验室差距的加速器。